基于人工神经网络的识别方法技术

本公开描述了一种基于人工神经网络的识别方法，包括，获取组织图像；利用人工神经网络模块接收组织图像并对组织图像进行病变识别和训练，基于特征图和注意力热度图对检查图像进行识别以获得识别结果，结合识别结果与标注图像以获得在未使用注意力机制时的第一损失函数，结合识别结果与标注图像以获得在使用注意力机制时的第二损失函数，利用第一损失函数和第二损失函数获取包括基于第一损失函数的第一损失项和基于第二损失函数和第一损失函数的差的第二损失项的总损失函数，并利用总损失函数对人工神经网络模块进行优化，由此能够有效地提高对组织病变的识别率。有效地提高对组织病变的识别率。有效地提高对组织病变的识别率。

【技术实现步骤摘要】
基于人工神经网络的识别方法
[0001]本申请是申请日为2020年11月27日、申请号为202011364685X、专利技术名称为基于人工神经网络的组织病变识别的识别方法及识别系统的专利申请的分案申请。


[0002]本公开大体涉及基于人工神经网络的识别方法。

技术介绍

[0003]随着人工智能技术的发展和成熟，在医疗领域的各个方面人工智能技术逐渐得到了推广。特别是医学中的医学成像是目前人工智能技术应用比较热门的领域。医学成像是诊断许多疾病的有用工具，医学成像过程中会产生大量医学图像数据，对这些图像数据进行处理和识别需要医师大量时间，而且难以保证识别的准确性。医学图像中，主要利用人工智能技术对图像中的组织进行组织病变识别，以提高组织病变识别的准确性。
[0004]目前在应用人工智能技术对医学图像进行识别中通常采用卷积神经网络(CNN)。卷积神经网络的卷积结构可以减少深层网络占用的内存量，其具有三个关键的操作，其一是局部感受野，其二是权值共享，其三是池化层。由此，能够有效地减少网络的参数个数，缓解卷积神经网络的过拟合问题。卷积神经网络的结构能够较好地适应医学图像的结构并对特征进行提取以及识别。
[0005]然而，对于一些病变部位例如眼底病变部位，病变区域比较小且分布不规则，一般的应用注意力机制的卷积神经网络，往往容易忽略注意力热度图中注意力低的病变区域，导致出现误判的现象，从而使这些病变区域的组织病变识别的准确性较低。

技术实现思路

[0006]本公开有鉴于上述现有技术的状况而完成，其目的在于提供一种能够有效地提高对组织病变进行识别的准确性的基于人工神经网络的组织病变识别的识别方法及识别系统。
[0007]为此，本公开第一方面提供了一种基于人工神经网络的组织病变识别的识别方法，其包括：获取组织图像，所述组织图像为通过采集装置采集的组织图像；利用人工神经网络模块接收所述组织图像并对所述组织图像进行病变识别，所述人工神经网络模块包括第一人工神经网络、第二人工神经网络以及第三人工神经网络，所述第一人工神经网络配置为能够对所述组织图像进行特征提取以获得特征图，所述第二人工神经网络配置为能够获得指示病变区域的注意力热度图，所述第三人工神经网络配置为能够基于特征图对所述组织图像进行识别，所述人工神经网络模块的训练步骤包括：准备训练数据集，所述训练数据集包括多张检查图像以及与所述检查图像关联的标注图像，所述标注图像包括有病变的标注结果或无病变的标注结果，利用所述第一人工神经网络对所述检查图像进行特征提取以获得特征图，利用所述第二人工神经网络获得指示病变区域的注意力热度图和指示非病变区域的互补注意力热度图，所述检查图像由所述病变区域和所述非病变区域构成，利用
所述第三人工神经网络基于特征图对所述检查图像进行识别以获得第一识别结果，利用所述第三人工神经网络基于特征图和注意力热度图对所述检查图像进行识别以获得第二识别结果，利用所述第三人工神经网络基于特征图和互补注意力热度图对所述检查图像进行识别以获得第三识别结果，结合所述第一识别结果与所述标注图像以获得在未使用所述注意力机制时的第一损失函数，结合所述第二识别结果与所述标注图像以获得在使用所述注意力机制时的第二损失函数，结合所述第三识别结果与具有无病变的标注结果的所述标注图像以获得在使用所述互补注意力机制时的第三损失函数，利用所述第一损失函数、所述第二损失函数、以及所述第三损失函数获取包括基于所述第一损失函数的第一损失项、基于所述第二损失函数和所述第一损失函数的差的第二损失项、以及基于所述第三损失函数的第三损失项的总损失函数并利用所述总损失函数对所述人工神经网络模块进行优化。在这种情况下，能够利用人工神经网络模块获取组织病变识别的识别结果，并且能够利用总损失函数对人工神经网络模块进行优化，从而能够提高组织病变识别的准确性。
[0008]另外，在本公开第一方面所涉及的基于人工神经网络的组织病变识别的识别方法中，可选地，所述总损失函数还包括所述注意力热度图的总面积项，所述总面积项用于评估所述病变区域的面积。在这种情况下，能够利用第五损失项评估注意力热度图内的病变区域的面积并控制注意力热度图中对识别结果影响较大的像素的数量，从而使网络的注意力限制在对识别结果影响更大的像素上。
[0009]另外，在本公开第一方面所涉及的基于人工神经网络的组织病变识别的识别方法中，可选地，所述总损失函数还包括针对所述注意力热度图的正则项。在这种情况下，可以抑制人工神经网络模块过拟合。
[0010]另外，在本公开第一方面所涉及的基于人工神经网络的组织病变识别的识别方法中，可选地，对所述第一人工神经网络、所述第二人工神经网络和所述第三人工神经网络同时进行训练。在这种情况下，能够加快训练速度。
[0011]另外，在本公开第一方面所涉及的基于人工神经网络的组织病变识别的识别方法中，可选地，所述第三人工神经网络包括依次连接的输入层、中间层和输出层，所述输出层配置为用于输出反映所述检查图像的识别结果。在这种情况下，能够利用第三人工神经网络输出反映组织图像的识别结果。
[0012]另外，在本公开第一方面所涉及的基于人工神经网络的组织病变识别的识别方法中，可选地，所述人工神经网络模块的训练方式为弱监督。在这种情况下，能够利用信息量较少的标注结果通过人工神经网络模块获得信息量较多的识别结果。
[0013]另外，在本公开第一方面所涉及的基于人工神经网络的组织病变识别的识别方法中，可选地，所述第一损失函数用于评估所述检查图像在未使用所述注意力机制时的识别结果与所述标注结果之间的不一致程度。在这种情况下，能够提高人工神经网络模块在未使用注意力机制时的组织病变识别的准确性。
[0014]另外，在本公开第一方面所涉及的基于人工神经网络的组织病变识别的识别方法中，可选地，所述第二损失函数用于评估所述检查图像在使用所述注意力机制时的识别结果与所述标注结果之间的不一致程度。在这种情况下，能够提高人工神经网络模块在使用注意力机制时的组织病变识别的准确性。
[0015]另外，在本公开第一方面所涉及的基于人工神经网络的组织病变识别的识别方法
中，可选地，所述第三损失函数用于评估所述检查图像在使用所述互补注意力机制时的识别结果与无病变的标注结果之间的不一致程度。在这种情况下，能够提高人工神经网络模块在使用互补注意力机制时的组织病变识别的准确性。
[0016]另外，在本公开第一方面所涉及的基于人工神经网络的组织病变识别的识别方法中，可选地，利用所述总损失函数对所述人工神经网络模块进行优化以使所述总损失函数最小化。在这种情况下，能够最小化总损失函数以提高人工神经网络模块的组织病变识别的准确性。
[0017]另外，在本公开第一方面所涉及的基于人工神经网络的组织病变识别的识别方法中，可选地，所述组织病变为眼底病变。在这种情况下，能够利用人工神经网络模块获得眼底图像的关于眼底病变的识别结果。
[0018]本公开第二方面提供了一种基于人工神经网络的组织病变本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工神经网络的识别方法，其特征在于，包括：获取组织图像；利用人工神经网络模块接收所述组织图像并对所述组织图像进行病变识别，所述人工神经网络模块包括第一人工神经网络、第二人工神经网络以及第三人工神经网络，所述第一人工神经网络配置为能够对所述组织图像进行特征提取以获得特征图，所述第二人工神经网络配置为能够获得指示病变区域的注意力热度图，所述第三人工神经网络配置为能够基于特征图对所述组织图像进行识别，所述人工神经网络模块的训练步骤包括：准备训练数据集，所述训练数据集包括多张检查图像以及与所述检查图像关联的标注图像，所述标注图像包括有病变的标注结果或无病变的标注结果，利用所述第一人工神经网络对所述检查图像进行特征提取以获得特征图，利用所述第二人工神经网络获得指示病变区域的注意力热度图，所述检查图像由病变区域和非病变区域构成，利用所述第三人工神经网络基于特征图对所述检查图像进行识别以获得第一识别结果，利用所述第三人工神经网络基于特征图和注意力热度图对所述检查图像进行识别以获得第二识别结果，结合所述第一识别结果与所述标注图像以获得在未使用注意力机制时的第一损失函数，结合所述第二识别结果与所述标注图像以获得在使用所述注意力机制时的第二损失函数，利用所述第一损失函数和所述第二损失函数获取包括基于所述第一损失函数的第一损失项和基于所述第二损失函数和所述第一损失函数的差的第二损失项的总损失函数，并利用所述总损失函数对所述人工神经网络模块进行优化。2.如权利...

【专利技术属性】
技术研发人员：彭璨，
申请(专利权)人：深圳硅基智控科技有限公司，
类型：发明
国别省市：